This chapter will provide you with the skills and knowledge needed to move your machine learning models from the research and development phase into a production environment. You will learn about the process of moving from a research prototype to a reliable, scalable, and maintainable system.

Adopting an MLOps mindset

What is a key aspect of MLOps?

What is technical debt?

Writing maintainable ML code

Version control

Code organization

Writing effective ML documentation

Why document labeling methods?

MLOps best practices

Moving from Research to Production

In this chapter, you’ll learn about the importance of reproducibility in machine learning, and how to ensure that your models remain reproducible and reliable over time. You’ll explore various techniques and best practices that you can use to ensure the reproducibility of your models.

Designing reproducible experiments

ML reproducibility

Identifying Key Aspects for Reproducibility and Reliability

Sorting Reliability Elements

Sorting Aspects of Reproducibility and Documentation Practices

Feature engineering

Classifying Feature Engineering Goals & Techniques

Identifying Data Manipulation and Transformation Techniques

Feature selection

Data and model versioning

Model store

Versioning training data

Ensuring reproducibility

 Ensuring Reproducibility

In Chapter 3, you’ll examine the various challenges associated with deploying machine learning models into production environments. You’ll learn about the various approaches to deploying ML models in production and strategies for monitoring and maintaining ML models in production.

Packaging ML models

Goal of serialization and containerization

Model packaging order

Scalability

Scaling

Model complexity

Categorizing scaling techniques

Automation

Benefits of continuous delivery

CI/CD steps

Putting ML models into production

ML in Production Environments

In the final chapter, you’ll learn about the various ways to test machine learning pipelines and ensure they perform as expected. You’ll discover the importance of testing ML pipelines and learn techniques for testing and validating ML pipelines.

Betrouwbaarheid van modellen

Options

Testing Pipeline Readiness

Testing for Pipeline Staleness

Teststrategieën categoriseren voor ML-pipelinegereedheid en -veroudering

Modelveroudering aanpakken in Machine Learning-pijplijnen

Gegevens testen

De juiste test kiezen

Consistentiecontrole

Modellen testen

Klantlevenswaarde voorspellen

Individual Fairness

Group Fairness

Gelijkheid classificeren

Opties

Code die modellen produceert testen

Data testen

ML-pipelines testen

Gefeliciteerd!

Testing ML Pipelines

Veel content over Machine Learning richt zich op het trainen van modellen en het afstemmen van parameters, maar 90% van de experimentele modellen haalt de productie nooit, vooral omdat ze niet gebouwd zijn om lang mee te gaan. In deze cursus leer je hoe een verschuiving van een machine learning engineering-mentaliteit naar een MLOps- (Machine Learning Operations) mentaliteit je in staat stelt om je modellen te trainen, documenteren, onderhouden en op te schalen tot hun volle potentieel.

Veel van de huidige informatie over machine learning gaat over het trainen van modellen en het afstemmen van parameters, maar 90% van de experimentele modellen haalt de productie nooit, vooral omdat ze niet zijn gebouwd om lang mee te gaan. In deze cursus zie je hoe je door je mindset te veranderen van machine learning engineering naar MLOps (Machine Learning Operations) je modellen optimaal kunt trainen, documenteren, onderhouden en opschalen.
Experimenteer en documenteer makkelijk
Experimenteren met ML-modellen is vaak leuk, maar kan best tijdrovend zijn. Hier leer je hoe je experimenten kunt ontwerpen die je steeds opnieuw kunt doen om dit proces te versnellen, terwijl je documentatie maakt voor jezelf en je teamgenoten, waardoor toekomstig werk aan de pijplijn een fluitje van een cent wordt.
MLOps-modellen bouwen voor productie
Je leert de beste manieren om zowel modellen als omgevingen voor productie te verpakken en te serialiseren, zodat modellen zo lang mogelijk meegaan.
Schaal je ML-pijplijnen op en automatiseer ze
Door rekening te houden met de complexiteit van modellen en gegevens en door te gaan met automatisering, kun je ervoor zorgen dat je modellen geschikt zijn voor productiegebruik en in een handomdraai kunnen worden gecontroleerd en geïmplementeerd.

Als je deze cursus hebt gedaan, kun je machine learning-modellen ontwerpen en ontwikkelen die klaar zijn voor productie en deze in de loop van de tijd steeds beter maken.

MLOps Concepts

Supervised Learning with scikit-learn

Schakel over naar een MLOps-mentaliteit om je machine learning-modellen optimaal te benutten.

Machine Learning-modellen ontwikkelen voor productie

Ga voor een MLOps-mentaliteit, zodat je je machine learning-modellen kunt trainen, documenteren, onderhouden en opschalen tot hun volledige potentieel.

MLOps Fundamentals

Dezelfde kredietscore en inkomen, maar toch verschillende rentepercentages

Twee kandidaten hebben vrijwel dezelfde kwalificaties en ervaring, maar de één wordt al in de eerste ronde afgewezen terwijl de ander de baan krijgt.

Een zorgmodel raadt minder snel nuttige behandelingen aan voor mensen die in fabrieken werken, omdat zij mogelijk te veel kosten maken.

Online advertenties die goedbetaalde vacatures vaker aan mannen tonen dan aan vrouwen

Minder nauwkeurig voor mensen met een donkere huidskleur

De politie gebruikt gezichtsherkenningstechnologie die voor bepaalde typen personen minder nauwkeurig is, wat leidt tot onterechte arrestaties

Gelijkheid classificeren

Machine Learning-modellen ontwikkelen voor productie

Praktische interactieve oefening